CN110956064A - 基于大数据的驾驶员行为分析预测系统 - Google Patents
基于大数据的驾驶员行为分析预测系统 Download PDFInfo
- Publication number
- CN110956064A CN110956064A CN201910368025.XA CN201910368025A CN110956064A CN 110956064 A CN110956064 A CN 110956064A CN 201910368025 A CN201910368025 A CN 201910368025A CN 110956064 A CN110956064 A CN 110956064A
- Authority
- CN
- China
- Prior art keywords
- data
- driver
- vehicle
- traffic accident
- behavior analysis
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000004458 analytical method Methods 0.000 title claims abstract description 26
- 206010039203 Road traffic accident Diseases 0.000 claims abstract description 53
- 238000012549 training Methods 0.000 claims abstract description 27
- 238000012545 processing Methods 0.000 claims abstract description 12
- 238000001514 detection method Methods 0.000 claims description 26
- 238000012417 linear regression Methods 0.000 claims description 9
- 239000000126 substance Substances 0.000 claims description 7
- 230000001419 dependent effect Effects 0.000 claims description 6
- 238000005065 mining Methods 0.000 claims description 6
- 230000000694 effects Effects 0.000 claims description 4
- 238000007781 pre-processing Methods 0.000 claims description 4
- 230000001133 acceleration Effects 0.000 claims description 3
- 230000002093 peripheral effect Effects 0.000 claims description 3
- 238000013480 data collection Methods 0.000 claims 1
- 238000000034 method Methods 0.000 abstract description 14
- 230000009286 beneficial effect Effects 0.000 abstract description 3
- 238000013461 design Methods 0.000 abstract description 3
- 230000006399 behavior Effects 0.000 description 17
- 238000007726 management method Methods 0.000 description 8
- 238000007418 data mining Methods 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 6
- 230000034994 death Effects 0.000 description 4
- 231100000517 death Toxicity 0.000 description 4
- 238000003672 processing method Methods 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000009499 grossing Methods 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000010485 coping Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/59—Context or environment of the image inside of a vehicle, e.g. relating to seat occupancy, driver state or inner lighting conditions
- G06V20/597—Recognising the driver's state or behaviour, e.g. attention or drowsiness
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/21—Design, administration or maintenance of databases
- G06F16/215—Improving data quality; Data cleansing, e.g. de-duplication, removing invalid entries or correcting typographical errors
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2462—Approximate or statistical queries
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2465—Query processing support for facilitating data mining operations in structured databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06395—Quality analysis or management
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/40—Business processes related to the transportation industry
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
- G06V20/588—Recognition of the road, e.g. of lane markings; Recognition of the vehicle driving pattern in relation to the road
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Data Mining & Analysis (AREA)
- Strategic Management (AREA)
- Databases & Information Systems (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- General Engineering & Computer Science (AREA)
- Probability & Statistics with Applications (AREA)
- Development Economics (AREA)
- Mathematical Physics (AREA)
- Marketing (AREA)
- Quality & Reliability (AREA)
- Educational Administration (AREA)
- Software Systems (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Fuzzy Systems (AREA)
- Primary Health Care (AREA)
- General Health & Medical Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Computational Mathematics (AREA)
- Multimedia (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Algebra (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种基于大数据的驾驶员行为分析预测系统，包括：数据采集单元、数据处理单元及存储单元；其中，所述数据采集单元用于实时采集驾驶状态数据；所述存储单元用于存储交通事故预测模型；所述数据处理单元用于将实时采集到的驾驶员行为数据与交通事故预测模型进行比对分析，预测驾驶员可能发生的交通事故结果。本发明提高了驾驶培训质量，对学员的人身安全带来更高的保障；有助于改进与完善政策的制定以及考试科目的设计，提高道路交通安全水平。
Description
技术领域
本发明涉及一种基于大数据的驾驶员行为分析预测系统，属于机动车驾驶员培训技术领域。
背景技术
随着社会的飞速发展和人民生活水平的不断提高，我国汽车需求量和保有量持续快速增长。同时，由此引起的道路交通事故起数不断增加，2011年，在汽车保有量前六名的国家中，中国的交通事故死亡人数居第一位，远高于美国(32310)，俄罗斯和日本。另外，我国的道路交通事故死亡率也高于发达国家。2011年，我国的交通事故死亡率为29.6％，而同期，日本的道路交通事故死亡率仅为0.66％。资料统计指出，在所有道路交通事故的组成因素中，机动车驾驶员的个人行为引起的事故占比远远大于其他各因素之和，且这种情况并非中国所特有。公安部交管局统计数据显示，驾龄在3年以内的新驾驶员交通事故数量占驾驶员交通事故总数的40％以上，新驾驶员肇事死亡人数则占驾驶员肇事总数近50％。新驾驶员由于培训质量不过关、技术不达标、心理素质不佳、行车经验不丰富，成为交通事故高发人群，给道路交通安全和驾驶员自身都带来严重威胁。究其原因，在学员驾驶培训考试过程中，部分驾驶员培训企业为了提高学员考试通过率，存在教练员和考试学员的各种舞弊行为，培训考试质量不过关；另外部分驾驶员培训企业为了提高效率，仅仅培训考试科目，学员在短短数周的培训后即可顺利通过考试，而并没有真正全面掌握驾驶技术，更无从应对各种紧急情况，这也是导致新驾驶员交通事故频发的主要原因。
道路交通事故过程具有系统复杂性、物质高性能的特点，分析事故的致因性、隐蔽性、突发性、规律性成为当务之急。交通管理部门在长期的日常管理工作过程中，积累了大量的交通事故的原始记录数据，这些数据是研究交通事故的第一手资料。深入研究交通事故数据，能够找出造成交通事故的各种因素之间的关联关系，全面把握交通事故的规律，从而能采取针对性措施，减小或消除影响交通安全的因素，提高道路交通安全水平。利用人工智能、专家系统、数据挖掘技术不仅能充分利用道路交通事故处理专家的经验和智慧，而且能极大地提高工作效率。根据数据挖掘成果实现管理智能化、决策科学化，进而减少交通事故发生。在现今交通系统中，传感器、无线或有线网络设备、摄像机等采集到大量数据，为数据挖掘技术开辟了一个宽广的应用领域。数据挖掘技术能够从大量的、复杂的、有噪声的数据中自主的发现隐藏在数据中的、人们预先未知的有价值的知识。利用数据挖掘技术分析交通事故记录数据库，从中发现潜在的、有价值的规律，挖掘出具有较高支持度和可信度的关联规则，提供给交通管理部门，为道路交通管理决策提供参考，对杜绝事故隐患、减少事故发生具有重大现实意义。数据挖掘技术还可以用于交通流量预测，为交通系统规划等决策提供辅助支持。
发明内容
为了克服现有技术中存在的不足，本发明的目的在于提供一种基于大数据的驾驶员行为分析预测系统，从而提高了驾驶培训质量，对学员的人身安全带来更高的保障；有助于改进与完善政策的制定以及考试科目的设计，提高道路交通安全水平。
为实现上述目的，本发明采用的技术方案如下：
本发明的一种基于大数据的驾驶员行为分析预测系统，包括：数据采集单元、数据处理单元及存储单元；其中，
所述数据采集单元用于实时采集驾驶状态数据；
所述存储单元用于存储交通事故预测模型；
所述数据处理单元用于将实时采集到的驾驶员行为数据与交通事故预测模型进行比对分析，预测驾驶员可能发生的交通事故结果。
进一步地，所述数据采集单元包括：驾驶人检测装置、环境感知装置和位置采集装置；所述驾驶人检测装置用于采集车辆内的驾驶人相关数据，所述环境感知装置用于采集车辆外部的环境数据，所述位置采集装置用于采集车辆的位置数据。
进一步地，所述驾驶人检测装置包括若干个第一图像检测装置，所述第一图像检测装置包括第一图像采集装置和第一图像识别装置，所述第一图像采集装置用于采集所述车辆内的驾驶人图像，所述第一图像识别装置用于对所述驾驶人图像进行识别，得到所述车辆的驾驶人相关数据。
进一步地，所述环境感知装置包括若干个第二图像检测装置和若干个雷达检测装置；其中，
所述第二图像检测装置包括第一图像采集装置和第二图像识别装置，所述第二图像采集装置用于采集所述车辆的四周道路图像，所述第二图像识别装置用于对所述四周道路图像进行识别，得到所述车辆的四周道路环境数据；
所述雷达检测装置设置于所述车辆的外部，用于检测所述车辆与其周边物体的距离。
进一步地，所述位置采集装置包括卫星导航定位装置和惯性导航定位装置。
所述卫星导航定位装置包括第一卫星天线和第二卫星天线，以及与所述第一卫星天线和所述第二卫星天线相耦合的定位处理器；所述定位处理器用于依据所述第一卫星天线和所述第二卫星天线获取的车辆位置信号，得到车辆位置数据；
所述第一卫星天线和所述第二卫星天线之间的水平距离大于1m；
所述惯性导航定位装置(IMU)包括三个单轴的加速度计和三个单轴的陀螺，其中，加速度计检测物体在载体坐标系统独立三轴的加速度信号，陀螺检测载体相对于导航坐标系的角速度信号。
进一步地，所述交通事故预测模型建立的具体步骤为：
1)数据采集，包括交通事故数据与驾驶培训行为数据的采集；
2)数据预处理；
3)模型建立。
进一步地，所述步骤2)中的预处理具体为：对有遗漏数据(缺少感兴趣的属性)、噪音数据(数据中存在着错误、或偏离期望值的数据)、不一致数据进行处理转换，生成新的数据文件进行存储。
进一步地，所述遗漏数据处理方法：用全局常量、属性均值、可能值填充，或直接忽略该数据；
进一步地，所述噪音数据处理方法：用分箱(分组原始数据，并分别对各组数据平滑处理)、聚类、计算机人工检查、回归的方法，去除噪音处理。
进一步地，所述步骤3)中采用多维关联规则挖掘算法及多元线性回归分析法对驾驶员的道路交通事故数据与驾驶培训数据进行分析，分析交通事故与驾驶培训行为之间的线性关系，并根据结果建立预测模型。
进一步地，所述步骤3)中采用多维关联规则挖掘算法具体为：形如X→Y的蕴含表达式，其中X和Y是不相交的项集，X表示驾培训练行为，Y表示交通事故；即：
项集X的支持度s(support)是集合D中包含X事务数占所有事务数的百分比，记为：
项集X的置信度c(confidence)是D中同时包含X∪Y的事务数占包含X的所有事务数的百分比，记为：
最小支持度minsup和最小置信度minconf均为预先设定，如果项集X的sup(X)≥minsup，那么项集X被称为频繁项集，其中生成的关联规则中所有支持度和置信度都不小于minsup和minconf的被称为强关联规则。
进一步地，所述步骤3)中多元线性回归分析法具体为：设y为因变量，x1，x2，…xk为自变量，并且自变量与因变量之间为线性关系时，则多元线性回归模型为：
y＝b0+b1x1+b2x2+…+bkxk+e
其中，b0为常数项，b1，b2，…bk为回归系数，b1为x2，x3…xk固定时，x1每增加一个单位对y的效应，即x1对y的偏回归系数；e为随机误差，e不包含任何已含于x1，x2，…xk中的有关y的系统信息。
进一步地，所述数据处理单元根据实时获取的车内外全方位视频信息，车内驾驶员的面部的状态、方向盘的状态、车辆行驶方向、行驶速度、车辆位置以及道路环境，如车道线、路边线、道路纹理、交通标志、交通信号灯状态，以及车外雷达传感器采集到的数据，判断会车、超车、前方行人通过等不同路况时的驾驶员行为，将判断得到的结果与交通事故预测模型相比对分析，最终得到可能发生的交通事故结果。
本发明的有益效果：
一方面，本发明集成机动车驾驶员考试过程中的大量数据，结合交通管理部门在长期的日常管理工作过程中积累的大量的交通事故的原始数据，通过大数据挖掘技术发现造成交通事故肇事人与其驾培训练及驾驶人考试行为的关联关系，为各驾培机构及广大驾驶学员提供更优化的驾驶培训应用解决方案，从而提高驾驶考试通过的新驾驶员的综合素质，提高道路交通安全水平；也为道路交通管理决策提供参考，从而能采取针对性措施，改进与完善政策的制定以及考试科目的设计。
另一方面，本发明满足了驾校各方面的需求，帮助驾校提升培训质量，优化了人员管理，全面监管培训过程。
附图说明
图1为本发明系统的结构框图。
图2为数据采集单元的结构框图。
图3为位置采集装置的结构框图。
图4为交通事故预测模型建立的流程图。
具体实施方式
为了便于本领域技术人员的理解，下面结合实施例与附图对本发明作进一步的说明，实施方式提及的内容并非对本发明的限定。
参照图1至图3所示，本发明的一种基于大数据的驾驶员行为分析预测系统，包括：数据采集单元、数据处理单元及存储单元；其中，
所述数据采集单元用于实时采集驾驶状态数据，所述数据采集单元包括：驾驶人检测装置、环境感知装置和位置采集装置；
所述驾驶人检测装置用于采集车辆内的驾驶人相关数据，包括若干个第一图像检测装置，所述第一图像检测装置包括第一图像采集装置和第一图像识别装置，所述第一图像采集装置用于采集所述车辆内的驾驶人图像，所述第一图像识别装置用于对所述驾驶人图像进行识别，得到所述车辆的驾驶人相关数据。
在这里，第一图像采集装置可以为摄像头或者照相机等，具体地，以第一图像采集装置为摄像头为例，该摄像头可以为一个或多个，如，可以包括用于采集车内驾驶位图像的摄像头(该摄像头可以设置于车内后视镜附近位置或者主驾驶位中控台上方位置)，用于采集驾驶员手部操作图像的摄像头(该摄像头可以设置于车内后视镜附近位置或者前排车顶位置)，在这里，当摄像头为多个时，每个摄像头均具有对应的第一图像识别装置，当然，摄像头的数量以及设置位置还可以根据实际应用场景的需要进行调节，在此不做任何限制。
其中，用于采集车内驾驶位图像的摄像头对应的第一图像识别装置，可以识别驾驶人的动作数据，如瞭望、左右观察、回头观察等；用于采集驾驶员手部操作图像的摄像头对应的第一图像识别装置，可以识别驾驶人的挂挡操作以及方向盘操作等是否符合要求。
所述环境感知装置用于采集车辆外部的环境数据，包括若干个第二图像检测装置和若干个雷达检测装置；其中，
所述第二图像检测装置包括第二图像采集装置和第二图像识别装置，所述第一图像采集装置用于采集所述车辆的四周道路图像，如车道线、路边线、道路纹理、交通标志、交通信号灯状态；所述第二图像识别装置用于对所述四周道路图像进行识别，得到所述车辆的四周道路环境数据；所述雷达检测装置设置于所述车辆的外部，用于检测所述车辆与其周边物体的距离。
其中，第二图像采集装置可以为摄像头或者照相机等，具体地，以第二图像采集装置为摄像头为例，该摄像头可以为一个或多个，如，可以包括用于采集车辆前方道路图像的摄像头(该摄像头可以设置于车辆的车顶位置、车内后视镜附近位置或者中控台上方位置)，用于采集车辆后方道路图像的摄像头(该摄像头可以设置于车辆的车内后挡风玻璃附近或者后保险杠附近位置)，用于采集车辆左侧道路图像的摄像头(该摄像头可以设置于车外左侧后视镜附近位置)以及用于采集车辆右侧道路图像的摄像头(该摄像头可以设置于车外右侧后视镜附近位置)等，在这里，当摄像头为多个时，每个摄像头均具有对应的第二图像识别装置，当然，摄像头的数量以及设置位置还可以根据实际应用场景的需要进行调节，在此不做任何限制。
所述位置采集装置用于采集车辆的位置数据，包括卫星导航定位装置和惯性导航定位装置；其中，
所述卫星导航定位装置包括第一卫星天线和第二卫星天线，以及与所述第一卫星天线和所述第二卫星天线相耦合的定位处理器；所述定位处理器用于依据所述第一卫星天线和所述第二卫星天线获取的车辆位置信号，得到车辆位置数据；
所述第一卫星天线和所述第二卫星天线之间的水平距离大于1m。
所述惯性导航定位装置(IMU)包括三个单轴的加速度计和三个单轴的陀螺，其中，加速度计检测物体在载体坐标系统独立三轴的加速度信号，陀螺检测载体相对于导航坐标系的角速度信号。
所述存储单元用于存储交通事故预测模型，参照图4所示，该交通事故预测模型建立的具体步骤为：
1)数据采集，包括交通事故数据与驾驶培训行为数据的采集；将驾培数据平台的基础数据及交通事故数据导入大数据平台hive数据库。
2)数据预处理，具体为：对有遗漏数据(缺少感兴趣的属性)、噪音数据(数据中存在着错误、或偏离期望值的数据)、不一致数据进行处理转换，生成新的数据文件进行存储；所述遗漏数据处理方法：用全局常量、属性均值、可能值填充，或直接忽略该数据；所述噪音数据处理方法：用分箱(分组原始数据，并分别对各组数据平滑处理)、聚类、计算机人工检查、回归的方法，去除噪音处理。
3)采用多维关联规则挖掘算法及多元线性回归分析法对驾驶员的道路交通事故数据与驾驶培训数据进行分析，分析交通事故与驾驶培训行为之间的线性关系，并根据结果建立预测模型。
多维关联规则挖掘算法具体为：形如X→Y的蕴含表达式，其中X和Y是不相交的项集，X表示驾培训练行为，Y表示交通事故；即：
项集X的支持度s(support)是集合D中包含X事务数占所有事务数的百分比，记为：
项集X的置信度c(confidence)是D中同时包含X∪Y的事务数占包含X的所有事务数的百分比，记为：
最小支持度minsup和最小置信度minconf均为预先设定，如果项集X的sup(X)≥minsup，那么项集X被称为频繁项集，其中生成的关联规则中所有支持度和置信度都不小于minsup和minconf的被称为强关联规则。
多元线性回归分析法具体为：设y为因变量，x1，x2，…xk为自变量，并且自变量与因变量之间为线性关系时，则多元线性回归模型为：
y＝b0+b1x1+b2x2+…+bkxk+e
其中，b0为常数项，b1，b2，…bk为回归系数，b1为x2，x3…xk固定时，x1每增加一个单位对y的效应，即x1对y的偏回归系数；e为随机误差，e不包含任何已含于x1，x2，…xk中的有关y的系统信息。
所述数据处理单元根据实时获取的车内外全方位视频信息，车内驾驶员的面部的状态、方向盘的状态、车辆行驶方向、行驶速度、车辆位置以及道路环境，如车道线、路边线、道路纹理、交通标志、交通信号灯状态，以及车外雷达传感器采集到的数据，判断会车、超车、前方行人通过等不同路况时的驾驶员行为，将判断得到的结果与交通事故预测模型相比对分析，最终得到可能发生的交通事故结果。
尽管以上本发明的实施方案进行了描述，但本发明并不局限于上述的具体实施方案和应用领域，上述的具体实施方案仅仅是示意性的、指导性的，而不是限制性的。本领域的普通技术人员在本说明书的启示下，在不脱离本发明权利要求所保护的范围的情况下，还可以做出很多种的形式，这些均属于本发明保护之列。
Claims (10)
1.一种基于大数据的驾驶员行为分析预测系统，其特征在于，包括：数据采集单元、数据处理单元及存储单元；其中，
所述数据采集单元用于实时采集驾驶状态数据；
所述存储单元用于存储交通事故预测模型；
所述数据处理单元用于将实时采集到的驾驶员行为数据与交通事故预测模型进行比对分析，预测驾驶员可能发生的交通事故结果。
2.根据权利要求1所述的基于大数据的驾驶员行为分析预测系统，其特征在于，所述数据采集单元包括：驾驶人检测装置、环境感知装置和位置采集装置；所述驾驶人检测装置用于采集车辆内的驾驶人相关数据，所述环境感知装置用于采集车辆外部的环境数据，所述位置采集装置用于采集车辆的位置数据。
3.根据权利要求2所述的基于大数据的驾驶员行为分析预测系统，其特征在于，所述驾驶人检测装置包括若干个第一图像检测装置，所述第一图像检测装置包括第一图像采集装置和第一图像识别装置，所述第一图像采集装置用于采集所述车辆内的驾驶人图像，所述第一图像识别装置用于对所述驾驶人图像进行识别，得到所述车辆的驾驶人相关数据。
4.根据权利要求2所述的基于大数据的驾驶员行为分析预测系统，其特征在于，所述环境感知装置包括若干个第二图像检测装置和若干个雷达检测装置；其中，
所述第二图像检测装置包括第一图像采集装置和第二图像识别装置，所述第二图像采集装置用于采集所述车辆的四周道路图像，所述第二图像识别装置用于对所述四周道路图像进行识别，得到所述车辆的四周道路环境数据；
所述雷达检测装置设置于所述车辆的外部，用于检测所述车辆与其周边物体的距离。
5.根据权利要求2所述的基于大数据的驾驶员行为分析预测系统，其特征在于，所述位置采集装置包括卫星导航定位装置和惯性导航定位装置；所述卫星导航定位装置包括第一卫星天线和第二卫星天线，以及与所述第一卫星天线和所述第二卫星天线相耦合的定位处理器；所述定位处理器用于依据所述第一卫星天线和所述第二卫星天线获取的车辆位置信号，得到车辆位置数据；
所述第一卫星天线和所述第二卫星天线之间的水平距离大于1m；
所述惯性导航定位装置包括三个单轴的加速度计和三个单轴的陀螺，其中，加速度计检测物体在载体坐标系统独立三轴的加速度信号，陀螺检测载体相对于导航坐标系的角速度信号。
6.根据权利要求1所述的基于大数据的驾驶员行为分析预测系统，其特征在于，所述交通事故预测模型建立的具体步骤为：
1)数据采集，包括交通事故数据与驾驶培训行为数据的采集；
2)数据预处理；
3)模型建立。
7.根据权利要求6所述的基于大数据的驾驶员行为分析预测系统，其特征在于，所述步骤2)中的预处理具体为：对有遗漏数据、噪音数据、不一致数据进行处理转换，生成新的数据文件进行存储。
8.根据权利要求6所述的基于大数据的驾驶员行为分析预测系统，其特征在于，所述步骤3)中采用多维关联规则挖掘算法及多元线性回归分析法对驾驶员的道路交通事故数据与驾驶培训数据进行分析，分析交通事故与驾驶培训行为之间的线性关系，并根据结果建立预测模型。
9.根据权利要求8所述的基于大数据的驾驶员行为分析预测系统，其特征在于，所述步骤3)中采用多维关联规则挖掘算法具体为：形如X→Y的蕴含表达式，其中X和Y是不相交的项集，X表示驾培训练行为，Y表示交通事故；即：
项集X的支持度s是集合D中包含X事务数占所有事务数的百分比，记为：
项集X的置信度c是D中同时包含X∪Y的事务数占包含X的所有事务数的百分比，记为：
最小支持度minsup和最小置信度minconf均为预先设定，如果项集X的sup(X)≥minsup，那么项集X被称为频繁项集，其中生成的关联规则中所有支持度和置信度都不小于minsup和minconf的被称为强关联规则。
10.根据权利要求8所述的基于大数据的驾驶员行为分析预测系统，其特征在于，所述步骤3)中多元线性回归分析法具体为：设y为因变量，x1，x2，…xk为自变量，并且自变量与因变量之间为线性关系时，则多元线性回归模型为：
y＝b0+b1x1+b2x2+…+bkxk+e
其中，b0为常数项，b1，b2，…bk为回归系数，b1为x2，x3…xk固定时，x1每增加一个单位对y的效应，即x1对y的偏回归系数；e为随机误差，e不包含任何已含于x1，x2，…xk中的有关y的系统信息。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910368025.XA CN110956064A (zh) | 2019-05-05 | 2019-05-05 | 基于大数据的驾驶员行为分析预测系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910368025.XA CN110956064A (zh) | 2019-05-05 | 2019-05-05 | 基于大数据的驾驶员行为分析预测系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110956064A true CN110956064A (zh) | 2020-04-03 |
Family
ID=69976187
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910368025.XA Pending CN110956064A (zh) | 2019-05-05 | 2019-05-05 | 基于大数据的驾驶员行为分析预测系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110956064A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112884220A (zh) * | 2021-02-08 | 2021-06-01 | 深圳广联赛讯股份有限公司 | 基于关联规则的碰撞预测方法、装置、设备及存储介质 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105844913A (zh) * | 2016-04-15 | 2016-08-10 | 苏州爱诺信信息科技有限公司 | 基于车联网的车、路状况与驾驶安全大数据相关性分析法 |
| CN106297340A (zh) * | 2016-08-17 | 2017-01-04 | 上海电机学院 | 一种行驶车辆安全监测预警系统与方法 |
| CN108133644A (zh) * | 2017-12-22 | 2018-06-08 | 南京多伦科技股份有限公司 | 一种机动车驾驶员考试的评判系统及评判方法 |
| US20180164825A1 (en) * | 2016-12-09 | 2018-06-14 | Zendrive, Inc. | Method and system for risk modeling in autonomous vehicles |
| CN108242181A (zh) * | 2016-12-27 | 2018-07-03 | 中国移动通信有限公司研究院 | 一种信息预警处理方法及服务器 |
| CN108417033A (zh) * | 2018-03-23 | 2018-08-17 | 四川高路交通信息工程有限公司 | 基于多维因素的高速路交通事故分析预测方法 |
| CN108510126A (zh) * | 2018-04-11 | 2018-09-07 | 南京邮电大学 | 一种基于pca和bp神经网络的交通事故预测方法 |
| CN109410588A (zh) * | 2018-12-20 | 2019-03-01 | 湖南晖龙集团股份有限公司 | 一种基于交通大数据的交通事故演化分析方法 |
| CN109606285A (zh) * | 2018-12-07 | 2019-04-12 | 天津所托瑞安汽车科技有限公司 | 一种基于云端交互的adas数据监控分析方法 |
-
2019
- 2019-05-05 CN CN201910368025.XA patent/CN110956064A/zh active Pending
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105844913A (zh) * | 2016-04-15 | 2016-08-10 | 苏州爱诺信信息科技有限公司 | 基于车联网的车、路状况与驾驶安全大数据相关性分析法 |
| CN106297340A (zh) * | 2016-08-17 | 2017-01-04 | 上海电机学院 | 一种行驶车辆安全监测预警系统与方法 |
| US20180164825A1 (en) * | 2016-12-09 | 2018-06-14 | Zendrive, Inc. | Method and system for risk modeling in autonomous vehicles |
| CN108242181A (zh) * | 2016-12-27 | 2018-07-03 | 中国移动通信有限公司研究院 | 一种信息预警处理方法及服务器 |
| CN108133644A (zh) * | 2017-12-22 | 2018-06-08 | 南京多伦科技股份有限公司 | 一种机动车驾驶员考试的评判系统及评判方法 |
| CN108417033A (zh) * | 2018-03-23 | 2018-08-17 | 四川高路交通信息工程有限公司 | 基于多维因素的高速路交通事故分析预测方法 |
| CN108510126A (zh) * | 2018-04-11 | 2018-09-07 | 南京邮电大学 | 一种基于pca和bp神经网络的交通事故预测方法 |
| CN109606285A (zh) * | 2018-12-07 | 2019-04-12 | 天津所托瑞安汽车科技有限公司 | 一种基于云端交互的adas数据监控分析方法 |
| CN109410588A (zh) * | 2018-12-20 | 2019-03-01 | 湖南晖龙集团股份有限公司 | 一种基于交通大数据的交通事故演化分析方法 |
Non-Patent Citations (2)
| Title |
|---|
| LEI CHEN: "The Research of Data Mining Algorithm Based on Association Rules", 《THE 2ND INTERNATIONAL CONFERENCE ON COMPUTER APPLICATION AND SYSTEM MODELING》 * |
| 蔡剑等: "交通事故因素分析与预防", 《福建电脑》 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112884220A (zh) * | 2021-02-08 | 2021-06-01 | 深圳广联赛讯股份有限公司 | 基于关联规则的碰撞预测方法、装置、设备及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109829403B (zh) | 一种基于深度学习的车辆防碰撞预警方法及系统 | |
| CN107492251B (zh) | 一种基于机器学习与深度学习的驾驶员身份识别与驾驶状态监测方法 | |
| CN110223511A (zh) | 一种汽车路边违停智能监测方法及系统 | |
| CN112417953B (zh) | 道路状况检测和地图数据更新方法、装置、系统及设备 | |
| CN111860274B (zh) | 基于头部朝向与上半身骨架特征的交警指挥手势识别方法 | |
| CN110874362A (zh) | 一种数据关联分析方法及装置 | |
| CN106541968B (zh) | 基于视觉分析的地铁车厢实时提示系统的识别方法 | |
| CN109460709A (zh) | 基于rgb和d信息融合的rtg视觉障碍物检测的方法 | |
| CN103824037B (zh) | 车用防跟踪报警装置 | |
| CN109145677A (zh) | 障碍物检测方法、装置、设备及存储介质 | |
| KR102001002B1 (ko) | 딥러닝 기반 번호 인식 시스템 | |
| CN107845264A (zh) | 一种基于视频监控的交通量采集系统及方法 | |
| CN106934374A (zh) | 一种雾霾场景中交通标识牌的识别方法及系统 | |
| Park et al. | Real-time signal light detection | |
| CN112735164B (zh) | 测试数据构建方法及测试方法 | |
| CN113450573A (zh) | 基于无人机图像识别的交通监测方法和交通监测系统 | |
| CN104574993A (zh) | 一种道路监控的方法及装置 | |
| CN212009589U (zh) | 一种基于深度学习的视频识别行车车轨迹获取装置 | |
| CN109720353B (zh) | 一种基于智能手机的驾驶行为检测方法 | |
| CN109544981B (zh) | 图像处理方法、装置、设备和介质 | |
| CN111611918A (zh) | 基于航拍数据和深度学习的交通流数据集采集及构建方法 | |
| CN110956064A (zh) | 基于大数据的驾驶员行为分析预测系统 | |
| CN111950499A (zh) | 一种检测车载人员统计信息的方法 | |
| CN114693722B (zh) | 一种车辆行驶行为检测方法、检测装置及检测设备 | |
| CN111241918A (zh) | 一种基于人脸识别的车用防跟踪方法及系统 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200403 |
|
| RJ01 | Rejection of invention patent application after publication |